تحلیل تخصیص منابع در شرایط بحرانی در محیط های ابری با تمرکز بر پذیرشی و تاب آوری

تخصیص خودکار منابع در رایانش ابری یکی از محورهای کلیدی برای بهینه‌سازی عملکرد و افزایش بهره‌وری سیستم‌هاست. مقاله‌ی اصلی این تحقیق، یک مدل ترکیبی مبتنی بر ماشین بردار پشتیبان (svm) و درخت تصمیم (dt) را معرفی می‌کند که با استفاده از الگوریتم h-vwpo قادر است منابع را به‌صورت هوشمند و اولویت‌بندی‌شده تخصیص دهد. این مدل در شرایط عادی عملکرد دقیقی دارد، اما در مواجهه با بارهای ناگهانی، خرابی زیرساخت یا حملات امنیتی، فاقد سازوکارهای پایداری و مقاوم‌سازی است. در این مقاله، ابتدا عملکرد و محدودیت‌های مدل اصلی تحلیل می‌شود و سپس با بررسی پنج تحقیق مکمل در حوزه تاب‌آوری و تخصیص منابع بحرانی، پیشنهاداتی برای تقویت پایداری سیستم ارائه می‌گردد. این مقالات شامل روش‌های تزریق خطای تطبیقی، چارچوب‌های مدیریت منابع مقاوم در برابر خطا، تخصیص پیش‌بینانه منابع برای بارهای موج‌دار و مهاجرت پیشگیرانه تسک‌ها هستند. تحلیل تطبیقی نتایج نشان می‌دهد که مدل svm-dt با افزودن مولفه‌های پیش‌بینی خطا، تزریق سنجش‌محور بحران، و مهاجرت هوشمند منابع، می‌تواند در شرایط بحرانی نیز کارایی و پایداری خود را حفظ کند. این پژوهش گامی کاربردی در جهت تقویت مدل‌های یادگیری‌محور برای مدیریت منابع در رایانش ابری است.

resource allocation in cloud environments under crisis conditions: a focus on admission control and resilience

this research introduces a hybrid model based on support vector machine (svm) and decision tree (dt) combined with the h-vwpo algorithm for workload prediction and optimal resource allocation in cloud computing. the model demonstrates high accuracy under normal conditions; however, it lacks resilience and fortification mechanisms when confronted with crises such as sudden load spikes, infrastructure failures, or security attacks. complementary studies show that: ft-erm reduces the average response time by up to 23%, ftta increases the task execution success rate by up to 49%, and preact reduces service level agreement (sla) violations by 3.3 times while improving system efficiency by 78%. accordingly, we conclude that integrating fault injection and proactive scalability components alongside the svm-dt model sustains system stability and efficiency under critical conditions. this summary outlines a hybrid architecture that ensures resilience, recovery, and resource efficiency during crises while maintaining predictive accuracy.